深度学习对图像的处理，为什么大多基于RGB，而没有其他色彩空间，比如HSV？ 第1页

1. 其他领域，比如学术圈打榜用的数据集都已经是处理完毕的rgb数据了，所以没办法研究用别的颜色格式或者色彩空间能否提升效果，毕竟很简单的数学道理，你用公式从rgb空间把数据转换到yuv/hsv等只会损失信息量而不能增加，没太大可能有更好的效果。
2. 然而最起码在自动驾驶领域，现在大家的趋势就是把深度学习模型做到isp里面甚至isp前面去，原因也跟之前有些类似，拿到的数据离sensor越近，原始数据的信息量越多，理论上模型的上限也就越高，尤其是对于挑战极大的弱光强光过曝欠曝等场景，如果模型一直在吃下过了isp调教然后又被yuv2rgb一通压缩的数据，那对这些极端场景基本上是无能为力，只能寄希望于雷达或者毫米波了。
3. 按照特斯拉宣传的，特斯拉目前车端的深度学习模型，输入数据都是sensor raw，有没有isp都是要怀疑下的，这也是特斯拉认定自己可以靠纯视觉搞定自动驾驶的底气之一，毕竟原始数据的信息量有可能就比别家多几十倍啊

这也是我最近萌生的一个想法，上网查了查还没找到相关内容，似乎使用RGB就是理所当然的。RGB转HSV涉及到取最小值操作，所以应该算不上是线性变化。

个人认为：因为HSV颜色模型将色调单独提出来作为一个维度，所以HSV对于颜色的变化敏感，如果分割或分类任务对于颜色变化更为敏感的话也许使用HSV更为合情合理。

###############################################################

再来谈一谈为什么都用RGB颜色模型：

大家都是从MNIST过来的，在最初识别二值图或者灰度图的时候（此时饱和度为0）应该没人考虑用HSV模型吧，所以理所当然在处理彩图时就使用RGB了。

另外HSV空间本身也存在局限性，根据《OpenCV轻松入门面向Python》这本书中的内容，如果该颜色的饱和度S很低时，那么所计算出来的色调H就是不可靠的。至于为什么不可靠，个人分析如下：

根据RGB转HSV的转换公式，假设保持亮度V不变，如果饱和度S越小，则V-min(R，G，B)越小。同时，色调H的分母也是V-min(R，G，B），分母变小就导致色调H对分子的变化更为敏感，所以当饱和度较小时，色调H的计算往往带有很大的“跳变”。这可能就是书中所说的“不可靠”。直观理解就是比较淡的颜色我们就难以分辨了。

而我们一般能获得的原始图像就是RGB图像，所以直接使用RGB来识别就不存在“不可靠”这一说法了。